Évaluer les dommages des incendies
La détection des changements est l’une des applications élémentaires en imagerie et en télédétection. Elle consiste généralement à comparer des jeux de données d’imagerie à différents moments dans une zone unique pour déterminer le type, la magnitude et l’emplacement des changements. Un changement peut résulter d’une activité humaine, de perturbations naturelles soudaines ou de tendances climatologiques ou environnementales à long terme.
Le premier exemple de détection des changements sur lequel vous allez travailler se place dans le contexte d’un incendie. En août 2020, dans le parc national de Tsavo, au Kenya, un incendie a fait rage pendant plusieurs jours. L’incendie a provoqué des dégâts importants dans le parc, bien qu’on ne déplore heureusement aucun mort. En tant qu’analyste SIG pour le parc national, vous souhaitez identifier la zone brûlée résultant de l’incendie et l’extraire vers une nouvelle couche de données. Cette nouvelle couche de zone brûlée offrira un contour précis de la zone endommagée et sera utile pour gérer proactivement l’incendie par la suite et atténuer ses effets négatifs sur la faune et sur les activités touristiques de l’incendie.
Configurer et explorer l’imagerie
Vous allez d’abord ouvrir l’application, définir votre emplacement (ou étendue) d’intérêt et choisir l’imagerie la plus pertinente.
- Ouvrez l’application Digital Earth Africa Explorer.
- L’application s’ouvre sur la représentation du continent africain.
Vous allez d’abord localiser l’emplacement de l’incendie sur la carte.
- Dans la zone de recherche, saisissez Taveta, Kenya et appuyez sur la touche Entrée.
La carte s’actualise sur la nouvelle localisation.
- Fermez la fenêtre contextuelle Résultat de la recherche.
- Cliquez sur le bouton Zoom Out (Zoom arrière) quatre fois.
- Déplacez-vous vers l’est (droite) jusqu’à ce que Taveta et Taita-Taveta soient visibles, ainsi que la route A23 qui les relie.
Il s’agit de l’emplacement où l’incendie s’est produit en août 2020. Pour visualiser le site de l’incendie au fil du temps, vous allez utiliser la couche d’imagerie Landsat.
Remarque :
Landsat est un programme satellite d’observation terrestre des États-Unis. Il fournit continuellement des images multispectrales de la Terre depuis 1972. Pour en savoir sur le programme Landsat, consultez le site Web du programme.
Vous en saurez également davantage sur l’imagerie multispectrale et son fonctionnement dans le premier didacticiel de cette série : Prise en main de l’imagerie concernant l’Afrique
La couche Landsat incluse dans l’application offre une large sélection d’images Landsat de 1972 à nos jours.
- Dans la barre latérale, cliquez sur le bouton Explore Imagery (Explorer l’imagerie).
- Dans la fenêtre Explore Imagery (Explorer l’imagerie), pour Layer (Couche), choisissez Landsat. Pour Rendering (Rendu), sélectionnez Agriculture with DRA (Agriculture avec DRA).
Sur la carte, l’imagerie est mise à jour.
La combinaison de bandes Agriculture utilise les bandes spectrales Onde courte infrarouge, Proche infrarouge et Bleu. Elle met en évidence la végétation saine en vert vif et le sol nu ou l’absence de végétation en marron. DRA signifie Dynamic Range Adjustment (ajustement dynamique de la plage). C’est une technique visant à améliorer le contraste de l’image.
Par défaut, vous voyez l’imagerie capturée la plus récente, datant généralement de quelques semaines au plus par rapport à la date du jour. Pour examiner les effets de l’incendie, vous devez observer l’imagerie ayant été capturée peu avant et peu après l’incendie, qui s’est déroulé du 8 au 10 août 2020.
- Dans la fenêtre Explore Imagery (Explorer l’imagerie), examinez la section Date.
Le curseur temporel vous permet de vous déplacer dans le temps et de voir toutes les images (ou scènes) Landsat spécifiques disponibles pour l’étendue actuelle. Le pointeur devrait actuellement se trouver sur May 20, 2023 (20 mai 2023) ou une autre date récente. Vous allez commencer à faire défiler le curseur dans le temps.
- Sur le curseur temporel, cliquez sur les boutons Plus et Moins pour vous déplacer dans le temps jusqu’à la date June 4, 2020 (4 juin 2020).
Conseil :
Vous pouvez également faire glisser le pointeur vers la date souhaitée.
Au bout de quelques instants, l’imagerie s’actualise.
Cette imagerie montre à quoi ressemblait cette zone avant l’incendie. Malgré la présence de quelques petits nuages blancs, on distingue clairement le sol intact couvert de végétation (en vert vif) et quelques parcelles de terre nue (en tonalités brun rougeâtre).
- Sur la partie droite de la chronologie, cliquez une fois sur le bouton Plus pour aller à la date June 20, 2020 (20 juin 2020).
Cette scène montre un paysage similaire, bien que la présence de végétation soit un peu moins évidente.
Remarque :
Les variations dans la qualité étant fréquentes avec l’imagerie, il est important d’examiner plusieurs scènes disponibles et de se concentrer sur celles offrant la meilleure qualité. De ce point de vue, la scène du 4 juin 2020 constitue la meilleure image disponible relativement peu avant l’incendie.
- Cliquez une fois sur le bouton Plus pour arriver à la date October 10, 2020 (10 octobre 2020).
L’image a été capturée après l’incendie. La zone brûlée apparaît clairement en marron foncé, contrastant avec le sol intact en tonalités brunâtres et verdâtres claires.
- Cliquez deux fois sur le bouton Plus pour arriver à la date August 26, 2021 (26 août 2021).
La zone brûlée est toujours visible, mais commence à s’estomper car la végétation commence à repousser.
Extraire les pixels de zone brûlée
Maintenant que vous avez identifié des scènes avant et après l’incendie, vous allez choisir la scène sur laquelle la zone brûlée est la plus visible pour extraire les pixels d’image qui correspondent aux zones brûlées.
- Utilisez le bouton Moins pour revenir à la date October 10, 2020 (10 octobre 2020).
Pour procéder à l’extraction des pixels, vous allez utiliser l’outil Create a mask (Créer un masque). Cet outil crée une couche dans laquelle chaque pixel correspondant à un critère spécifique est masqué ou coloré avec une couleur unie.
- Dans la fenêtre Explore Imagery (Explorer l’imagerie), configurez les options suivantes :
- Pour What do you want to do? (Que souhaitez-vous faire ?), choisissez Create a mask (Créer un masque).
- Pour Method (Méthode), choisissez Soil Adjusted Veg. Index (Indice de végétation ajusté au sol).
- Pour Which values should I mask (Quelles valeurs dois-je masquer ?), vérifiez que Less than my threshold (Inférieure à mon seuil) est sélectionné.
L’option Soil Adjusted Vegetation Index (Indice de végétation ajusté aux sols) applique une formule mathématique pour calculer un ratio entre les valeurs des bandes Proche infrarouge et Rouge de l’imagerie. Elle met en évidence la végétation et la distingue de la végétation en mauvais état ou des zones dépourvues de végétation telles que le sol nu.
L’indice de végétation ajusté au sol produit un résultat numérique pour chaque pixel : une valeur élevée signifie une végétation saine et une valeur faible une végétation en mauvais état ou aucune végétation. Dans cet exemple, les valeurs les plus faibles correspondent aux zones brûlées par l’incendie. L’option Less than my threshold (Inférieure à mon seuil) vous permet de choisir un seuil et de masquer tous les pixels possédant une valeur faible et situés sous ce seuil.
Vous allez d’abord dessiner un polygone pour définir votre zone d’intérêt et choisir une couleur pour votre masque.
- Cochez la case Draw polygon(s) to define extent (Dessiner des polygones pour définir l’étendue).
- Sur la carte, commencez à dessiner un polygone pour délimiter la zone d’intérêt en cliquant sur chaque coin (ou sommet) du polygone souhaité. Lorsque vous êtes satisfait de la forme, double-cliquez pour terminer l’opération.
Le résultat doit être similaire à l’image suivante :
Lorsque vous générez le masque, il n’apparaît que dans cette zone d’intérêt.
- Cliquez sur le bouton Choose a color for your mask (Choisir la couleur de votre masque), puis choisissez la couleur red (rouge).
- Cliquez sur Apply (Appliquer).
Au bout de quelques instants, le masque apparaît sur la carte. Dans la fenêtre Explore Imagery (Explorer l’imagerie), le curseur Set your threshold (Définir votre seuil) apparaît également. Vous allez vous en servir pour choisir le seuil de masque.
Le curseur indique que les valeurs d’indice de végétation de votre zone d’intérêt varient d’environ 0.01 (0,01) à 0.26 (0,26). L’outil de masque a automatiquement choisi un seuil de 0.13 (0,13).
Remarque :
En fonction des limites exactes que vous avez choisies pour votre polygone de zone d’intérêt, les valeurs affichées peuvent être légèrement différentes.
- Déplacez le pointeur de seuil d’avant en arrière pour voir comment le masque change en fonction de la valeur de seuil.
- Si vous choisissez 0.01 (0,01) (ou la valeur minimum possible) en tant que seuil, aucun pixel n’est inclus dans le masque.
- Si vous choisissez 0.26 (0,26) (ou la valeur maximum possible) en tant que seuil, tous les pixels de la zone d’intérêt sont inclus dans le masque.
- Si vous choisissez une valeur intermédiaire, seulement certains des pixels de la zone d’intérêt sont compris dans le masque.
- Choisissez une valeur de seuil qui capture tous les pixels de la zone brûlée dans le masque, mais le moins possible de pixels autres, par exemple 0.12 (0,12).
Le masque définitif doit ressembler à l’image suivante :
Remarque :
Utiliser l’indice de végétation ajusté en fonction du sol pour identifier les zones brûlées constitue une approche. Une autre valeur pourrait être le ratio de brûlure normalisé, qui calcule un ratio entre les valeurs Proche infrarouge et Onde courte infrarouge. Dans ce cas spécifique, la première approche est plus efficace que la seconde. Avec l’imagerie, il est toujours judicieux d’essayer différentes méthodes et de choisir celle qui offre les meilleurs résultats.
Dans la fenêtre Explore Imagery (Explorer l’imagerie), Area Covered (Surface couverte) indique que le masque actuel couvre une surface de 558,06 kilomètres carrés (vos résultats peuvent varier légèrement). Il s’agit de la surface qui a brûlé dans l’incendie.
Exporter la couche de zone brûlée
Maintenant que vous avez créé le masque, vous allez enregistrer la couche obtenue dans ArcGIS Online. Vous pourrez ainsi la réutiliser pour créer des cartes ou effectuer d’autres analyses. Ce processus nécessite un compte ArcGIS Online.
Remarque :
Si vous n’avez pas de compte ArcGIS Online, vous pouvez en obtenir un gratuitement via le géoportail Africa GeoPortal (cliquez sur Sign In (Connexion), sur Create an Africa GeoPortal account (Créer un compte Africa GeoPortal) et suivez les instructions). Africa GeoPortal est une communauté cartographique ouverte prise en charge par Esri, dont les membres collaborent pour fournir des données et informations sur toute l’Afrique.
Vous pouvez également créer un compte public ArcGIS gratuit (cliquez sur Create an ArcGIS public account (Créer un compte public ArcGIS) et suivez les instructions).
ArcGIS Online vous permet de créer des cartes Web dynamiques, que vous pouvez partager avec votre communauté.
- Dans l’application Digital Earth Africa Explorer, sur la barre latérale, cliquez sur le bouton Image Export (Exportation d’image). Si nécessaire, cliquez dessus une deuxième fois.
La fenêtre Image Export (Exportation d’image) apparaît.
- Dans la fenêtre Image Export (Exportation d’image), définissez les options suivantes :
- Pour Export (Exporter), choisissez Result Image (Image résultante).
- Pour Save location (Emplacement d’enregistrement), vérifiez que Save to portal (Enregistrer sur le portail) est sélectionné.
- Pour Title (Titre), saisissez Tsavo burn scar (Zone brûlée de Tsavo).
- Pour Description, saisissez Burn scar from the August 2020 wildfire in Tsavo National Park West, Kenya (Zone brûlée suite à l’incendie d’août 2020 dans le parc national de Tsavo, Kenya).
- Pour Tags (Balises), saisissez wildfire, burn scar, Kenya (incendie, zone brûlée, Kenya).
- Cliquez sur Preview (Aperçu).
- Dans la fenêtre Sign In (Se connecter), entrez vos identifiants de connexion ArcGIS Online ou Africa GeoPortal.
Dans la fenêtre Image Export (Exportation d’image), un aperçu miniature apparaît.
- Cliquez sur Save (Enregistrer).
- Une fois le processus terminé, fermez la fenêtre Image Export (Exportation d’image).
Remarque :
Une autre possibilité consiste à exporter la couche vers votre ordinateur local. Pour location (emplacement), choisissez Save to disk (Enregistrer sur le disque), pour TIFF download options (Options de téléchargement TIFF), choisissez As displayed (Tel qu’à l’écran) et pour Advanced save options (Options d’enregistrement avancées), choisissez Download as tiff (Télécharger au format TIFF). Cette option produite une image TIFF géoréférencée que vous pouvez ouvrir dans un logiciel SIG, tel que ArcGIS Pro.
Créer une carte web pour présenter la couche
Vous allez ensuite visualiser la couche que vous avez enregistrée dans ArcGIS Online et créer une carte Web pour la présenter.
- Dans votre navigateur web, ouvrez un nouvel onglet et accédez à ArcGIS Online Connectez-vous avec vos identifiants de connexion ArcGIS Online ou Africa GeoPortal.
- Sur le ruban, cliquez sur Content (Contenu).
- Dans la liste de contenus, cliquez sur Tsavo burn scar (Zone brûlée de Tsavo).
- Sur la page des éléments Tsavo burn scar (Zone brûlée de Tsavo), cliquez sur Open in Map Viewer (Ouvrir dans Map Viewer).
La couche s’affiche dans Map Viewer par-dessus le fond de carte topographique par défaut.
Vous allez changer le fond de carte pour afficher plus d’informations sur la zone.
- Dans la barre d’outils Contents (Contenu) (foncée), cliquez sur Basemap (Fond de carte) puis sur OpenStreetMap.
Remarque :
Ce fond de carte provient du projet de cartographie de communauté OpenStreetMap.
Le fond de carte est mis à jour et affiche les limites des réserves, des réserves naturelles et des ranchs du parc national.
Un examen rapide de la zone brûlée par rapport au nouveau fond de carte indique que l’incendie, bien qu’ayant provoqué des dégâts, n’a pas touché la plupart des zones clés du parc, à l’exception de la bordure de la réserve de Lumo (Lumo Conservancy).
Remarque :
Dans le monde réel, l’analyste SIG du parc national pourrait gérer une couche plus détaillée des ressources du parc, qui pourraient être ajoutées à cette carte pour une précision et une exhaustivité plus grandes.
Vous allez ensuite enregistrer la carte et la partager avec vos collègues du parc national ou la communauté dans son ensemble.
- Dans la barre d’outils Contents (Contenu), cliquez sur Save and open (Enregistrer et ouvrir), puis sélectionnez Save as (Enregistrer sous).
- Dans la fenêtre Save map (Enregistrer la carte), entrez un titre tel que August 2020 fire in Tsavo, ainsi qu’une brève description. Cliquez sur Save (Enregistrer).
- Dans la barre d’outils Contents (Contenu), cliquez sur Share map (Partager la carte).
- Dans la fenêtre Share (Partager), pour Set sharing level (Définir le niveau de partage), cliquez sur Everyone (public) (Tout le monde (public)).
- Cliquez sur Save (Enregistrer).
- Dans la fenêtre Review sharing (Réexaminer le partage), cliquez sur Update Sharing (Mettre à jour le partage).
Vous avez extrait les pixels de la zone brûlée correspondant à l’incendie du parc national de Tsavo d’août 2020. Vous avez ensuite exporté la couche vers ArcGIS Online et créé une carte web pour la présenter et la partager avec vos collègues dans le parc national ou la communauté dans son ensemble. Vous pourriez également utiliser la couche dans d’autres analyses. Par exemple, vous pourriez ajouter plus de couches de données sur les habitats et les modèles de déplacement de la faune et effectuer d’autres analyses pour mieux comprendre l’impact de l’incendie.
Délimiter les zones inondées
Suite à de fortes pluies en juillet 2022, plusieurs zones situées dans la sous-préfecture de Léré et de Guegou (département du lac Léré, dans la province de Mayo-Kebbi Ouest) ont subies des inondations sévères. En tant qu’analyste SIG pour les administrations régionales, vous avez pour mission d’effectuer une évaluation rapide des zones les plus touchées afin d’aider les équipes de secours à concentrer au mieux leurs efforts.
Dans ce processus, vous allez découvrir comment extraire les changements en comparant des images avant et après.
Configurer et explorer l’imagerie
Vous allez commencer par configurer l’étendue et l’imagerie.
- Dans votre navigateur web, accédez à l’onglet de l’application Digital Earth Africa Explorer.
- Dans la zone de recherche, saisissez Léré, Chad (Léré, Tchad) (ou Lere, Chad) et appuyez sur Entrée.
La carte s’actualise sur la nouvelle localisation.
- Fermez la fenêtre contextuelle Résultat de la recherche.
- Cliquez trois fois sur le bouton Zoom Out (Zoom arrière).
Sur la carte apparaissent deux lacs et plusieurs villes et villages à proximité.
Vous allez utiliser l’outil Compare Imagery (Comparer l’imagerie) pour comparer des images avant et après les fortes pluies de juillet 2022.
- Dans la barre latérale, cliquez sur le bouton Compare Imagery (Comparer l’imagerie).
La fenêtre Compare imagery (Comparer l’imagerie) apparaît. Avec cet outil, vous pouvez afficher deux images à droite et à gauche de la carte, et effectuer un mouvement de balayage entre les deux.
- Dans la fenêtre Compare Imagery (Comparer l’imagerie), configurez les options suivantes pour l’image de gauche :
- Vérifiez que l’option Left Image (Image de gauche) est sélectionnée.
- Pour Layer (Couche), vérifiez que Landsat est sélectionné.
- Pour Rendering (Rendu), vérifiez que Agriculture with DRA (Agriculture avec DRA) est sélectionné.
- Cochez la case Select a date (Sélectionner une date).
- Faites glisser le curseur temporel jusqu’à la date May 8, 2022 (8 mai 2022).
L’imagerie est mise à jour pour afficher une scène Landsat capturée le 8 mai 2022 avant les fortes pluies. Les deux lacs, le lac Léré et le lac Tréné, présentent des contours clairement définis. On aperçoit également des lignes bleues fines correspondant aux fleuves de Mayo Kébbi et Bénoué.
- Dans la fenêtre Compare Imagery (Comparer l’imagerie), configurez les options suivantes pour l’image de droite :
- Cliquez sur Right Image (Image de droite) pour la sélectionner.
- Pour Layer (Couche), sélectionnez Landsat.
- Pour Rendering (Rendu), sélectionnez Agriculture with DRA (Agriculture avec DRA).
- Cochez la case Select a date (Sélectionner une date).
- Faites glisser le curseur temporel jusqu’à la date July 11, 2022 (11 juillet 2022).
L’imagerie est mise à jour pour afficher une scène Landsat capturée le 11 juillet 2022 et montrant la situation à cette date. Les vastes zones qui constituaient des terres sèches dans la scène précédente sont à présent recouvertes d’eau, et les lacs appaissent donc étendus et indissociables des fleuves.
- Sur la carte, saisissez la poignée de balayage et balayez plusieurs fois de gauche à droite pour comparer les deux images.
La poignée de balayage vous permet d’examiner en détail les différences entre deux images.
Remarque :
Dans ce scénario, vous effectuez une évaluation de la situation à mi-juin pour aider à organiser les efforts des secours. Toutefois, les fortes pluies ont eu lieu dans cette région de juillet à septembre 2022. Vous pourriez répéter votre évaluation avec l’imagerie disponible pour des dates ultérieures.
Extraire les pixels d’inondation
Maintenant que vous avez identifié des scènes avant et après les fortes pluies, il vous faut extraire les pixels correspondant aux zones inondées. Il s’agit des pixels qui correspondaient à des terres sèches dans la scène d’avant les pluies et représentent de l’eau dans la scène d’après les pluies.
Vous allez identifier les pixels qui ont changé à l’aide de la fonction Detect change between two different dates (Détecter les changements entre deux dates).
- Dans la fenêtre Compare Imagery (Comparer l’imagerie), sélectionnez les options suivantes :
- Cochez la case Detect change between two different dates (Détecter les changements entre deux dates).
- Pour Calculate changes in (Calculer les changements dans), choisissez Water Index (Index d’eau).
- Pour Visualize changes as a (Visualiser les changements en tant que), choisissez Difference Mask (Masque de différence).
L’option Water Index (Index d’eau) applique une formule mathématique pour calculer un ratio entre les valeurs des bandes Proche infrarouge et Verte des scènes sélectionnées. Elle met en évidence les zones recouvertes d’eau et les distingue des terres sèches.
Pour détecter les changements entre la scène d’avant les pluies et la scène d’après, l’index d’eau est appliqué à chaque scène et les différences entre les deux scènes sont calculées. Les résultats sont affichés sous la forme d’un masque mettant en évidence les pixels qui ont changé (Difference Mask (Masque de différence)).
Vous allez maintenant dessiner un polygone pour définir votre zone d’intérêt.
- Cochez la case Draw polygon(s) to define extent (Dessiner des polygones pour définir l’étendue).
- Sur la carte, dessinez un polygone pour délimiter la zone d’intérêt en cliquant sur chaque sommet du polygone souhaité. Lorsque vous êtes satisfait de la forme, double-cliquez pour terminer l’opération.
Le résultat obtenu devrait ressembler à l’illustration ci-dessous.
- Cliquez sur Apply (Appliquer).
Au bout de quelques instants, le masque apparaît en vert vif dans le polygone de la zone d’intérêt. Deux curseurs de seuil apparaissent dans la fenêtre Compare imagery (Comparer l’imagerie). Vous allez définir le seuil Positive (Positif).
- Pour le curseur Positive (Positif), déplacez le pointeur d’avant en arrière pour voir comment il affecte l’affichage du masque sur la carte.
La différence entre la valeur d’index d’eau d’un pixel avant ou après les pluies fortes peut être plus faible ou plus importante. Vous devez définir le seuil Positive (Positif) pour ne conserver que le changement suffisamment important pour être considéré comme significatif, qui représente donc un cas réel d’inondation.
- Choisissez une valeur de seuil Positive (Positif) à laquelle le masque correspond à l’inondation observable entre les deux images, par exemple 0.45 (0,45).
Remarque :
Vous pouvez augmenter temporairement le curseur Transparency (results) (Transparence (résultats)) à 50% ou plus pour mieux voir les images situées en dessous. Vous pouvez ensuite utiliser la poignée de balayage pour observer les changements et afficher votre seuil.
Une valeur d’environ 0.45 (0,45) semble optimale, ce qui signifie que les pixels ne sont compris dans le masque que si la valeur de différence d’index d’eau est supérieure à 0.45 (0,45). Le résultat devrait ressembler à l’illustration suivante :
Le curseur Negative (Négatif) vous permet de choisir un seuil pour les pixels qui diminue en contenu d’eau, à savoir qui est passé de l’état recouvert d’eau à l’état de terre sèche. Comme cette étendue ne contient essentiellement aucun pixel ayant subi un tel changement, vous allez maintenir le curseur à sa valeur minimum.
- Définissez le curseur Negative (Négatif) sur -1.
- Pour Transparency (results) (Transparence (résultats)), vérifiez que le pointeur est défini sur 0%, car la transparence n’est plus nécessaire.
Dans la fenêtre Compare Imagery (Comparer l’imagerie), pour Area Decrease / Increase (Réduire/Augmenter la surface), le nombre en vert indique que le masque vert dans la zone d’intérêt couvre une surface d’environ 15 kilomètres carrés (vos résultats peuvent varier). Il s’agit de la surface inondée.
Remarque :
Si certaines zones sont passées de l’état recouvert d’eau à l’état de terre sèche, elles sont indiquées par le nombre en rose.
Le jeu de données Water Observation from Space (WOfS) Annual Summary dataset, également disponible dans l’application, peut être utile en complément de cette analyse, car il offre un résumé des modèles d’ensemble de couverture aquatique d’une année à l’autre. Pour obtenir un exemple d’utilisation de cette couche, reportez-vous à Prise en main de l’imagerie concernant l’Afrique (section Surveiller le niveau d’eau d’un lac au Ghana).
Exporter la couche d’inondation
Maintenant que vous avez créé le masque, vous allez enregistrer la couche résultante dans ArcGIS Online, comme vous l’avez fait dans le processus précédent de zone brûlée par un incendie.
- Dans la barre latérale, cliquez sur le bouton Image Export (Exportation d’image). Si nécessaire, cliquez dessus une deuxième fois.
- Dans la fenêtre Image Export (Exportation d’image), définissez les options suivantes :
- Pour Export (Exporter), choisissez Result Image (Image résultante).
- Pour Save location (Emplacement d’enregistrement), vérifiez que Save to portal (Enregistrer sur le portail) est sélectionné.
- Pour Title (Titre), saisissez Inundations in Léré area (Inondations dans la région de Léré).
- Pour Description, saisissez Inundated areas caused by the July 2022 heavy rains in the Lake Léré region in Chad (Zones inondées suite aux fortes pluies de juillet 2022 survenues dans la région du lac Léré, au Tachd).
- Pour Tags (Balises), saisissez inundations, Chad (inondations, Tchad).
- Cliquez sur Preview (Aperçu).
- Si nécessaire, dans la fenêtre Sign In (Se connecter), entrez vos identifiants de connexion ArcGIS Online ou Africa GeoPortal.
Un aperçu miniature apparaît.
- Cliquez sur Save (Enregistrer).
- Une fois le processus terminé, fermez la fenêtre Image Export (Exportation d’image).
Vous allez vérifier que la couche a correctement été exportée vers ArcGIS Online.
- Dans un onglet de navigateur Web distinct, accédez à ArcGIS Online. Le cas échéant, connectez-vous.
- Sur le ruban, cliquez sur Content (Contenu). Dans la liste de contenus, cliquez sur Inundations in Léré area (Inondations dans la région de Léré).
- Sur la page des éléments Inundations in Léré area (Inondations dans la région de Léré), cliquez sur Open in Map Viewer (Ouvrir dans Map Viewer).
La couche s’affiche dans Map Viewer.
Vous pourriez maintenant enregistrer cette carte web, comme vous l’avez fait avec le processus de zone brûlée par un incendie, et la communiquer aux équipes de secours pour les aider à hiérarchiser leurs efforts.
Remarque :
Les images sont de plus en plus couramment utilisées pour faciliter la gestion des désastres naturels.
Toutefois, sachez que l’imagerie Landsat ne capture un emplacement donné qu’une fois par semaine au plus et que sa résolution spatiale n’est que de 30 mètres (par pixel). Pour cette raison, elle ne fournira pas nécessairement les images les plus récentes et les plus détaillées pour tous les désastres naturels. Une autre possibilité est d’utiliser la couche Sentinel-2 également fournie avec l’application Digital Earth Africa Explorer, ce qui vous permettra d’obtenir de nouvelles images un peu plus fréquemment (tous les 5 jours) et de disposer d’une résolution supérieure (10 mètres). Les fournisseurs commerciaux proposent des images significativement plus fréquentes à une résolution bien supérieure.
Dans ce processus, vous avez extrait les pixels correspondant aux inondations provoquées par les fortes pluies de juillet 2022 survenues dans la région du lac Léré et les avez ensuite exportés en tant que couche vers ArcGIS Online.
Identifier la croissance urbaine
Les urbanistes doivent régulièrement évaluer le mode de croissance des villes pour mieux planifier l’infrastructure urbaine, telle que les réseaux d’eau, électriques et de transports, et pour attribuer les services, tels que les écoles et les services de santé. Une manière d’identifier rapidement la croissance urbaine consiste à analyser les changements survenant sur une imagerie. En tant qu’analyse SIG pour la ville d’Effiduase, au Ghana, vous allez utiliser cette approche pour identifier la manière dont la ville s’est développée entre 2017 et 2020.
Remarque :
La croissance d’une ville peut être visualisée de différentes manières. Les démographes peuvent créer des cartes en fonction des données de recensement disponibles. Visualiser la croissance urbaine avec l’imagerie constitue une approche différente qui se concentre sur les changements survenant au niveau du type d’occupation du sol. Par exemple, une zone recouverte de végétation peut se retrouver recouverte de bâtiments et de rues, ce qui indique une croissance urbaine. Les deux approches peuvent être utiles et se compléter.
Configurer et explorer l’imagerie
Vous allez commencer par configurer l’étendue et l’imagerie.
- Dans votre navigateur web, revenez à l’onglet de l’application Digital Earth Africa Explorer.
- Dans la zone de recherche, saisissez Effiduase, Ghana et appuyez sur Entrée.
La carte s’actualise sur la nouvelle localisation.
- Fermez la fenêtre contextuelle Résultat de la recherche.
Effiduase (ou Efidwase) est une petite ville située au nord-est de la ville, plus grande, de Kumasi. Elle est la capitale du district de Sekyere est, un district de la région d’Ashanti du Ghana.
- Cliquez deux ou trois fois sur le bouton Zoom In (Zoom avant) pour mieux voir la petite ville.
Pour étudier la croissance de la ville, vous allez utiliser l’outil Compare Imagery (Comparer l’imagerie). Pour l’imagerie, vous allez utiliser le jeu de données Sentinel-2 Annual GeoMAD.
Remarque :
Le jeu de données Sentinel-2 Annual GeoMAD fournit un résumé annuel de l’imagerie multispectrale Sentinel-2, dans laquelle les nuages et autres petits détails ont été supprimés. Pour en savoir plus sur la création de la couche GeoMAD, consultez la documentation Digital Earth Africa.
Ce jeu de données est particulièrement utile pour observer un phénomène tel que la croissance urbaine stable, car chaque couche fournit une vue d’ensemble claire de l’apparence moyenne du paysage pour une année donnée. Cette approche contraste avec les scènes Landsat spécifiques que vous avez utilisées plus tôt dans le didacticiel. Les scènes Landsat fournissent un instantané du paysage à un moment spécifique dans le temps et conviennent mieux à l’étude des phénomènes soudains, tels que les incendies et les inondations.
- Dans la barre latérale, cliquez sur le bouton Compare Imagery (Comparer l’imagerie).
- Dans la fenêtre Compare Imagery (Comparer l’imagerie), configurez les options suivantes pour l’image de gauche :
- Vérifiez que l’option Left Image (Image de gauche) est sélectionnée.
- Pour Layer (Couche), sélectionnez Sentinel-2 Annual GeoMAD.
- Pour Rendering (Rendu), vérifiez que Natural Color with DRA (Couleur naturelle avec DRA) est sélectionné.
- Cochez la case Select a date (Sélectionner une date).
- Faites glisser le curseur temporel jusqu’à la date January 1, 2017 (1er janvier 2017).
L’imagerie située à gauche se met à jour pour afficher la couche Sentinel-2 Annual GeoMAD de 2017.
La fonction Natural Color with DRA (Couleur naturelle avec DRA) combine les bandes bleue, verte et rouge, qui montrent des couleurs proches de ce que voit l’œil humain.
- Dans la fenêtre Compare Imagery (Comparer l’imagerie), configurez les options suivantes pour l’image de droite :
- Cliquez sur Right Image (Image de droite) pour la sélectionner.
- Pour Layer (Couche), sélectionnez Sentinel-2 Annual GeoMAD.
- Pour Rendering (Rendu), vérifiez que Natural Color with DRA (Couleur naturelle avec DRA) est sélectionné.
- Cochez la case Select a date (Sélectionner une date).
- Si nécessaire, faites glisser le curseur temporel jusqu’à la date January 1, 2020 (1er janvier 2020).
L’imagerie située à droite se met à jour pour afficher la couche Sentinel-2 Annual GeoMAD de 2020.
- Sur la carte, effectuez un zoom arrière jusqu’à ce que la ville entière apparaisse. Utilisez la poignée de balayage pour balayer plusieurs fois de gauche à droite et comparer les deux images.
Pendant le balayage, vous pouvez constater que la ville s’est développée entre 2017 et 2020. Dans ces zones, la végétation (teintes vertes) a été remplacée par des bâtiments et des rues (teintes blanches ou beiges). Dans la section suivante, vous allez extraire ces pixels de croissance urbaine.
Extraire les pixels de croissance urbaine
Vous souhaitez extraire les pixels correspondant à la croissance urbaine. Il s’agit des pixels où les zones qui n’étaient pas urbanisées en 2017 (elles étaient à la place recouvertes d’une forêt, de champs cultivés ou autre végétation) ont été remplacées par des bâtiments et des rues en 2020.
Vous allez identifier les pixels qui ont changé à l’aide de la fonction Detect change between two different dates (Détecter les changements entre deux dates).
- Dans la fenêtre Compare Imagery (Comparer l’imagerie), sélectionnez les options suivantes :
- Cochez la case Detect change between two different dates (Détecter les changements entre deux dates).
- Pour Calculate changes in (Calculer les changements dans), choisissez Soil Adjusted Veg. Index (Indice de végétation ajusté au sol).
- Pour Visualize changes as a (Visualiser les changements en tant que), choisissez Threshold Mask (Masque de seuil).
L’indice Soil Adjusted Vegetation Index (Indice de végétation ajusté au sol), que vous avez découvert dans le processus de zone brûlée par un incendie, retournera des valeurs élevées pour la végétation et des valeurs faibles pour les zones urbanisées. La méthode Threshold Mask (Masque de seuil) met en évidence les pixels dont le statut a changé entre les deux images. Il pourrait s’agir de pixels qui sont passés de l’état de végétation à l’état de non-végétation (qui seront masqués en rose vif), ou de l’état de non-végétation à l’état de végétation (vert vif).
- Cliquez sur Apply (Appliquer).
- Pour les curseurs Threshold (Seuil) et Difference (Différence), déplacez les pointeurs d’avant en arrière pour voir comment ils affectent l’affichage du masque sur la carte.
Le paramètre Threshold (Seuil) détermine la valeur qui sépare la végétation de la non-végétation. Seuls les pixels qui passent d’un état à l’autre seront masqués.
Le paramètre Difference (Différence) détermine si vous souhaitez conserver tous les pixels ayant changé d’état ou uniquement ceux présentant une différence de valeur importante entre les deux images.
- Choisissez les valeurs Threshold (Seuil) et Difference (Différence) pour que le masque couvre la croissance urbaine observable entre les deux images, par exemple une valeur Threshold (Seuil) d’environ 0.65 (0,65) et une valeur Difference (Différence) de 0.
Remarque :
Vous pouvez augmenter temporairement le curseur Transparency (results) (Transparence (résultats)) à 50% ou plus pour mieux voir les images situées en dessous et utiliser la poignée de balayage pour observer les changements et préciser votre décision.
Le résultat devrait ressembler à l’illustration suivante :
La couleur rose vif indique les zones qui sont passées de l’état de végétation à l’état de non-végétation et ont donc été urbanisées. Il s’agit des zones de croissance urbaine.
La couleur vert vif indique les zones qui sont passées de l’état de non-végétation à l’état de végétation. C’est le cas de quelques endroits isolés sur la carte. Ces endroits peuvent correspondre, par exemple, à des bâtiments ayant été démolis.
Remarque :
Vous examinez actuellement la croissance urbaine dans la ville d’Effiduase et ses alentours. Si seule la croissance de la ville vous intéressait, vous pourriez dessiner un polygone correspondant aux limites administratives de la ville. Et le nombre en rose indiquerait la surface de croissance urbaine dans la ville.
- Pour Transparency (results) (Transparence (résultats)), vérifiez que le pointeur est de nouveau sur 0%, car la transparence n’est plus nécessaire.
Remarque :
Dans ce processus, vous avez identifié la croissance urbaine à l’aide d’un indice de végétation. Une autre approche consisterait à utiliser un indice plus spécialisé tel que l’indice Normalized Difference Built-up Index (NDBI) ou l’indice Enhanced Normalized Difference Impervious Surfaces Index (ENDISI), qui pourrait être mis en œuvre avec une application plus avancée, telle qu’ArcGIS Pro ou ArcGIS Image for ArcGIS Online. Vous pouvez utiliser l’indice ENDISI utilisé dans une analyse de la ville d’Effiduase proposée par Digital Earth Africa.
De plus, l’utilisation d’un indice de végétation a été efficace dans ce cas car, dans la région d’Effiduase, la croissance urbaine correspond à une perte de végétation. Dans le cas d’une ville se développant au milieu du désert, un indice de végétation ne serait pas efficace pour détecter la croissance urbaine. Il est important de comprendre votre zone d’étude pour choisir la méthode d’analyse la plus appropriée.
Vous avez extrait les pixels correspondant à la croissance urbaine survenue entre 2017 et 2020 dans la ville d’Effiduase. L’étape suivante pourrait consister à choisir d’exporter la nouvelle couche, comme vous l’avez fait précédemment dans ce didacticiel, et de créer une carte web pour présenter cette couche ou de procéder à d’autres analyses avec cette couche.
Dans ce didacticiel, vous avez découvert différentes techniques pour détecter les changements avec l’imagerie et exporter les pixels extraits afin de les utiliser dans d’autres visualisations ou analyses. Dans notre monde en constante évolution, il est crucial de surveiller les changements. Outre la délimitation des zones brûlées, des zones inondées et de la croissance urbaine, une infinité d’autres applications permettent de détecter les changements : par exemple, évaluer rapidement les dommages provoqués par un désastre, surveiller des phénomènes sur le long terme, le déboisement ou le reboisement, l’évolution des plans d’eau, l’érosion des côtes, etc. Ce type de suivi peut permettre aux décideurs de prendre des décisions plus éclairées et d’évaluer l’efficacité des nouvelles politiques mises en place.
Remarque :
Si vous souhaitez explorer des processus plus avancés de détection des changements, reportez-vous aux rubriques Évaluer les dommages causés par la grêle dans les champs de maïs avec l’imagerie satellite, Évaluer les zones brûlées avec l’imagerie satellite, Classer l’occupation du sol pour mesurer le rétrécissement des lacs ou Surveiller l’évolution des forêts au fil du temps. Ces processus nécessitent une application plus avancée, telle qu’ArcGIS Pro.
La série Explorer l’imagerie satellite sur l’Afrique contient d’autres didacticiels tels que celui-ci.